一种基于大数据模型分析的数据中心智慧能源管控系统的制作方法

本发明属于节能，涉及一种基于大数据模型分析的数据中心智慧能源管控系统。

背景技术：

1、随着数字化和信息化进程的加速，数据中心规模不断扩大，能源消耗呈现出指数级增长的趋势，这使得数据中心能源管理成为一项迫切的挑战。面对不断上升的能源成本和环境保护压力，数据中心需要更高效的能源管理策略来提高能源利用效率，减少能源浪费。数据中心包含大量的设备和系统，如服务器、网络设备、制冷系统等，其运行状态受到多种因素的影响，因此需要综合考虑这些因素进行智能化管理。

2、电能利用效率（power usage effectiveness，pue）是评价数据中心能源效率的指标，是数据中心总能耗与设备消耗的能源比值。其中，数据中心总能耗包括设备能耗和制冷、配电等系统的能耗，其值大于1，越接近1表明非设备能耗越少，即能效水平越好。然而，由于数据中心在不同环境条件下制冷系统的降温效率不同，在降温效率较低时制冷系统可能长时间工作，导致制冷能耗升高，pue升高。因此需要在不同环境下对数据中心设备的工作负载进行控制，避免升温过多而导致制冷能耗升高。然而，由于数据中心在不同环境条件下其环境参数与降温效率的关系复杂，难以通过当前的环境条件判断制冷系统的降温效率，导致对设备工作负载控制的准确性降低。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明提供了一种基于大数据模型分析的数据中心智慧能源管控系统。

2、本发明的目的可以通过以下技术方案实现：

3、本技术提供了一种基于大数据模型分析的数据中心智慧能源管控系统，包括数据采集模块、数据分析模块、能耗计算模块和能耗控制模块，所述数据采集模块、数据分析模块、能耗计算模块和能耗控制模块通信连接，其中：

4、所述数据采集模块，用于采集当前数据中心设备的运行功率、设备温度，以及监测数据中心机房的环境参数；

5、所述数据分析模块，用于将所述环境参数输入预设的大数据分析模型中，输出预测的降温效率；所述预设的大数据分析模型，通过历史时期的环境参数和对应的降温效率大数据进行构建，具体配置为以主成分分析获取的环境参数主成分为解释变量，降温效率为响应变量构建的随机森林模型；

6、所述能耗计算模块，用于根据所述设备温度和降温效率数据，计算制冷系统工作时的所需降温时长，包括以下步骤：

7、设定设备温度阈值；

8、通过当前的设备温度减去设备温度阈值，获得所需下降温度；

9、通过所需下降温度除以降温效率，获得所需降温时长；

10、所述能耗控制模块，用于根据所述所需降温时长，对数据中心设备的运行功率进行控制，包括以下步骤：

11、收集历史时期设备运行功率与其对应的设备温度大数据，建立运行功率与设备温度之间的转换关系；

12、利用所述转换关系，对设备的运行功率进行调整，使设备温度和所需下降温度减小；

13、设定降温时长阈值；

14、当所需降温时长小于等于降温时长阈值时，停止对设备运行功率的调整。

15、进一步地，所述环境参数包括机房温度、机房湿度和机房灰尘量。

16、进一步地，数据分析模块中，所述主成分分析，包括以下步骤：

17、s1、对环境参数变量进行标准化处理；

18、s2、根据标准化后的环境参数变量，计算环境参数变量之间的相关系数，获得相关系数矩阵；

19、s3、计算相关系数矩阵的特征值和特征向量，并按照特征值从大到小的顺序对特征向量进行排序，获得主成分；

20、s4、计算各个主成分的得分；

21、s5、根据相关系数矩阵的特征值，计算各个主成分的方差贡献率；

22、s6、按特征值大小顺序，选取累计的方差贡献率大于75%的主成分作为解释变量。

23、进一步地，步骤s2中，所述相关系数，具体为采用如下算式计算得到：

24、，

25、式中， r ij为一个环境参数变量 x i与另一个环境参数变量 x j之间的相关系数； x ki为一个环境参数变量 x i的第 k个样本；为一个环境参数变量的平均值； x kj为另一个环境参数变量 x j的第 k个样本；为另一个电力环境参数变量的平均值； n为样本总数；

26、进一步地，步骤s4中，所述计算各个主成分的得分，具体为采用如下算式计算得到：

27、，

28、，

29、式中， z ij表示第 i个主成分的第 j个主成分得分； l ij表示第 i个主成分的第 j个载荷系数，载荷系数是指环境参数变量与主成分之间的相关系数； x j表示第 j个环境参数变量， n为第 j个环境参数变量的样本数；表示第 i个特征值； e ij表示第 i个特征向量的第 j个分量。

30、进一步地，步骤s5中，所述方差贡献率，具体为采用如下算式计算得到：

31、，

32、式中， f i为第 i个主成分的方差贡献率；为第 i个主成分的特征值； p为主成分的个数。

33、进一步地，数据分析模块中，所述随机森林模型，包括以下构建步骤：

34、t1、数据准备：准备包含解释变量和响应变量的数据集，所述解释变量为环境参数主成分，所述响应变量为降温效率；

35、t2、数据集划分：将收集的数据集划分为训练集和测试集，其中采用数据集中70%的数据样本作为训练集，30%的数据样本作为测试集；

36、t3、随机抽样：从训练集中随机抽取若干个数据样本，并有放回地构建多个不同的训练集；

37、t4、构建决策树：对于每个随机抽样的训练集，构建决策树模型；

38、进一步地，步骤t4中，所述决策树模型，配置为cart模型。

39、t5、集成决策树：将构建好的多个决策树模型整合成随机森林模型，利用投票机制或平均值做出最终的预测；

40、t6、模型评估：使用评估指标评估随机森林模型对测试集的预测性能。

41、进一步地，步骤t6中，所述评估指标采用准确率、精确率、召回率或f1值。

42、进一步地，能耗控制模块中，所述建立运行功率与设备温度之间的转换关系，具体为以运行功率为自变量，设备温度为因变量，拟合二者之间的线性关系式。

43、本发明的有益效果：

44、通过采集当前数据中心设备的运行功率、设备温度，以及监测数据中心机房的环境参数；将环境参数输入预设的大数据分析模型中，输出预测的降温效率；根据设备温度和降温效率数据，计算制冷系统所需降温时长；根据所需降温时长，对数据中心设备的运行功率进行控制；其中所述预设的大数据分析模型，通过历史时期的环境参数和对应的降温效率大数据进行构建，具体配置为以主成分分析获取的环境参数主成分为解释变量，降温效率为响应变量构建的随机森林模型。本发明解决了由于数据中心在不同环境条件下其环境参数与降温效率的关系难以被量化，导致对设备工作负载控制准确性降低的问题。